Para la detección automática de defectos en tejidos con aprendizaje profundo, a menudo se requieren texturas diversas y formas de defectos para un gran conjunto de entrenamiento. Sin embargo, el costo computacional de los modelos basados en redes neuronales convolucionales (CNN) es muy alto. Esta investigación propuso una red Faster R-CNN habilitada para involución utilizando la estructura de cuellos de botella de la red residual. La involución tiene dos ventajas sobre la convolución: primero, puede capturar un rango más amplio de campos receptivos en la dimensión espacial; luego, los parámetros se comparten en la dimensión de canal para reducir la redundancia de información, lo que a su vez reduce los parámetros y la computación. El rendimiento de detección se evalúa mediante Params, operaciones de punto flotante por segundo (FLOPs) y precisión promedio (AP) en el conjunto de datos recopilado que contiene 6308 imágenes de tejidos defectuosos. Los resultados del experimento demuestran que la red basada en involución propuesta logra un modelo más ligero, con Params reducidos a 31.21 M y FLOPs disminuidos a 176.19 G, en comparación con los 41.14 M Params y 206.68 G FLOPs del Faster R-CNN. Además, mejora ligeramente el efecto de detección de grandes defectos, aumentando el valor de AP del 50.5% al 51.1%. Los hallazgos de esta investigación podrían ofrecer una solución prometedora para la detección eficiente de defectos en tejidos en la fabricación textil práctica.